La memoria de agentes de IA es la forma en que un agente de inteligencia artificial recuerda lo que pasó antes, para no empezar de cero cada vez que le hablas. Piensa en una compañera de trabajo que recuerda tu última reunión, tus preferencias y la tarea que dejaste a medias. Sin memoria, un agente se parece más a un desconocido al que tienes que explicarle todo desde el principio. Cada vez.
Esto importa sobre todo cuando lanzas agentes para personas reales. Una demo puede permitirse olvidar. Un producto, no. Aquí verás los dos tipos básicos de memoria, cómo "recuerda" un agente en palabras sencillas, qué suele fallar y un camino simple para añadir memoria a tu primer agente.
Qué es un agente de IA, en pocas palabras
Un agente de IA es un programa que usa inteligencia artificial (IA) para avanzar hacia un objetivo en varios pasos. Puede leer una petición, decidir qué hacer, usar herramientas como un buscador o el correo y revisar sus propios resultados.
La mayoría de los agentes funcionan sobre un modelo de lenguaje grande (LLM, por sus siglas en inglés). Es el tipo de IA que hay detrás de los asistentes de chat: le envías texto y te devuelve texto. Y aquí está el detalle. El modelo no recuerda nada entre una petición y otra. Cada respuesta se basa solo en lo que le das en ese momento.
Así que, cuando un agente parece acordarse de ti, hay algo alrededor del modelo haciendo ese trabajo. Ese algo es la memoria.
Por qué los agentes olvidan por defecto
Imagina que le das a un asistente muy listo una sola hoja de papel. Lo que cabe en la hoja, lo puede usar. Lo que no cabe, para él no existe.
Esa hoja se llama ventana de contexto (context window): el texto que el modelo puede ver de una vez. Ahí van tus instrucciones, la conversación hasta ahora y los documentos que incluyas. Cuando termina la conversación, la hoja va a la papelera.
La hoja también tiene un límite de tamaño. Las conversaciones largas o los archivos grandes acaban empujando fuera los detalles más antiguos. Por eso un agente puede clavar el paso dos de una tarea y olvidar lo que dijiste en el paso uno.
La memoria es todo lo que construyes para decidir qué va en esa hoja y qué se guarda para después.
Los dos tipos de memoria de agentes de IA
En internet verás muchas etiquetas. Si estás empezando, dos grupos cubren casi todo.
Memoria a corto plazo: lo que el agente sabe ahora mismo
La memoria a corto plazo es la conversación o la tarea actual. Es lo que hay en la hoja de papel en este momento.
Si le pides a un agente que agende una reunión y luego le dices "que sea de 30 minutos", entiende que hablas de la reunión. Eso es memoria a corto plazo. Cuando termina la sesión, desaparece.
Memoria a largo plazo: lo que el agente guarda entre sesiones
La memoria a largo plazo es información guardada fuera del modelo para que el agente la use más adelante. Vive en un sitio normal, como una base de datos o un conjunto de archivos. También se le llama memoria persistente.
Se suele dividir en tres tipos del día a día:
- Datos sobre ti o sobre el mundo. "María prefiere el correo a las llamadas." "Nuestro plazo de devolución es de 30 días."
- Hechos pasados. "El martes pasado, el usuario pidió un informe y rechazó el primer borrador."
- Cómo hacer las cosas. "Cuando este cliente reporta un error, etiqueta primero al equipo de móvil."
No necesitas nombres sofisticados. Pregúntate: ¿esto es un dato, un hecho pasado o un hábito que el agente debería repetir?
Cómo recuerda un agente en realidad
Suena técnico, pero ya lo haces con notas adhesivas.
- Lo apunta. Durante o después de una conversación, el agente (o tu código) elige lo que vale la pena guardar y lo anota en notas cortas.
- Encuentra la nota correcta después. Cuando llega una petición nueva, el sistema busca entre las notas guardadas algo relacionado.
- La vuelve a poner en la hoja. Las notas que mejor encajan se añaden a la ventana de contexto para que el modelo las use en su respuesta.
El paso dos es donde está casi todo el trabajo de ingeniería. Una configuración sencilla busca por palabras clave, como hace tu bandeja de entrada. Una más avanzada usa búsqueda semántica, es decir, busca por significado y no por palabras exactas. Así, una nota sobre "cancelar mi plan" puede coincidir con una pregunta sobre "dar de baja mi suscripción".
El modelo nunca recuerda de verdad. Tu sistema recuerda por él y le pasa las notas correctas en el momento correcto.
Qué falla en la memoria de un agente
La memoria hace que los agentes sean más útiles. También abre nuevas formas de fallar. Estos son los primeros problemas que te vas a encontrar.
Olvida lo que importa
El agente guarda muy poco, o la búsqueda no encuentra la nota correcta. El usuario tiene que repetirse y pierde la confianza rápido.
Recuerda lo que no es
Los datos viejos se quedan aunque hayan cambiado. Un usuario se mudó de ciudad, pero el agente sigue sugiriéndole restaurantes cerca de su antigua dirección. La memoria necesita una forma de actualizar y reemplazar notas, no solo de añadirlas.
Recuerda demasiado
Si lo guardas todo, la búsqueda empieza a traer ruido. Las respuestas se vuelven más lentas, más caras y menos precisas. Más memoria no significa mejor memoria.
Confunde a las personas
Este es serio. Si las notas de un usuario aparecen en las respuestas de otro, tienes un problema de privacidad. Cada nota tiene que pertenecer claramente a una persona o a una cuenta.
Guarda lo que no debería
Hay información que no se debería guardar nunca, como contraseñas o datos de salud que no pediste. Los usuarios también esperan poder ver y borrar lo que un agente recuerda de ellos.
Una forma práctica de añadir memoria a tu primer agente
Si estás construyendo un agente que piensas compartir, este es un orden sensato. Mantiene todo simple hasta que de verdad necesites más.
- Empieza sin memoria a largo plazo. Haz que el agente funcione bien dentro de una sola conversación. Muchos problemas que parecen de memoria son, en realidad, instrucciones poco claras.
- Apunta qué vale la pena recordar. Haz una lista corta: ¿qué datos, hechos o hábitos le ahorrarían tiempo al usuario en la próxima sesión? Si no sabes nombrarlos, todavía no necesitas memoria.
- Guarda las notas en un sitio aburrido. Para empezar, basta con una tabla normal de base de datos con el ID del usuario, la nota y una fecha. Lo aburrido es fácil de depurar.
- Añade una búsqueda más inteligente solo cuando se acumulen notas. Cuando las búsquedas simples empiecen a fallar, prueba la búsqueda semántica. No la necesitas el primer día.
- Decide cómo se actualizan u olvidan las notas. Define reglas para reemplazar datos viejos y limpiar los que ya no sirven. Poner fecha a cada nota lo hace mucho más fácil.
- Prueba con conversaciones reales. Pide a unas cuantas personas que usen el agente durante varios días. Revisa qué guardó, qué recuperó y dónde se equivocó.
- Deja que los usuarios vean y borren su memoria. Genera confianza y, según dónde vivan tus usuarios, puede que las normas de privacidad lo exijan.
También oirás hablar de herramientas de memoria ya hechas, como Mem0, Zep, Letta y Cognee. Más adelante te pueden ahorrar trabajo. Aun así, prueba primero la versión sencilla para entender qué hacen esas herramientas por ti.
Qué significa esto si estás aprendiendo a construir agentes
La memoria es el punto en el que muchos proyectos de agentes dejan de parecer una demo y empiezan a parecer un producto. Junta varias habilidades a la vez: trabajar con bases de datos, diseñar búsquedas, tratar los datos de los usuarios con responsabilidad y probar cómo se comporta un sistema con el tiempo.
La buena noticia es que nada de esto es magia. Si entiendes la hoja de papel, las notas adhesivas y el paso de búsqueda, entiendes la idea central. El resto es práctica: construir un agente, ver cómo olvida y arreglarlo.
Si quieres un camino estructurado para construir agentes así, con mentores cerca cuando te atasques, descubre cómo funciona el programa AI Engineering de 4Geeks. También puedes compararlo con otros programas de 4Geeks para ver qué ritmo encaja contigo.